Les algorithmes évolutionnistes. INF6953 Les algorithmes évolutionnistes (1) 1
|
|
- Virginie Crevier
- il y a 8 ans
- Total affichages :
Transcription
1 Les algorithmes évolutionnistes INF6953 Les algorithmes évolutionnistes (1) 1
2 Métaheuristiques et algorithmes évolutionnistes Les métaheuristiques recherche locale consistent fondamentalement à faire évoluer une configuration de référence (configuration courante) en la remplaçant itérativement par une nouvelle configuration choisie dans son voisinage. Il existe une famille de métaheuristiques qui consiste à faire évoluer un ensemble de solutions (population) : ces techniques sont appelées les algorithmes évolutionnistes. INF6953 Les algorithmes évolutionnistes (1) 2
3 Les algorithmes évolutionnistes Les algorithmes évolutionnistes sont déjà anciens et ils sont issus historiquement de trois «écoles» - les algorithmes génétiques (GA pour Genetic Algorithm) - Les strategies évolutives (ES pour Evolution Strategies) - La programmation évolutive (EP Evolutionary Programming) Les algorithmes génétiques ont été introduits et étudiés notamment par Holland et Goldberg. Ils s inspirent de la théorie de l évolution des espèces de Darwin. INF6953 Les algorithmes évolutionnistes (1) 3
4 L inspiration darwinienne Selon la génétique et la théorie de l évolution - Un enfant hérite son patrimoine génétique pour moitié de sa mère et pour moitié de son père (reproduction sexuée). - Les enfants ne sont pas identiques aux parents car des altérations des gènes peuvent se produire (mutations). - Parmi les mutations, certaines peuvent être favorables et d autres défavorables. - Il naît beaucoup de descendants : mais seuls les individus les mieux adaptés pourront survivre et transmettre leurs gènes à leur tour à leur descendance. Dans ce modèle, on observe que - Le hasard joue un rôle moteur pour produire de nouveaux individus différents de leurs parents. - La sélection naturelle effectue le tri entre les variations favorables et les autres. INF6953 Les algorithmes évolutionnistes (1) 4
5 Principe d un algorithme évolutionniste Les algorithmes génétiques (et les algorithmes évolutionnistes en général) s inspirent de la théorie de l évolution Pour résoudre un problème d optimisation (avec un espace de recherche et une fonction d évaluation), un algorithme génétique fait évoluer itérativement une population de configurations. A chaque itération (génération) : - Des opérateurs de variation (mutation et croisement) permettent d engendrer de nouvelles configurations (les enfants) à partir des configurations de la population courante (les parents). - Les configurations obtenues peuvent être bonnes ou non selon la fonction d évaluation. Un opérateur de sélection élimine les configurations les moins bonnes. INF6953 Les algorithmes évolutionnistes (1) 5
6 Schéma d un algorithme évolutionniste Un algorithme évolutionnaire engendre une population initiale P de µ individus, puis fait évoluer itérativement la population P (générations). A chaque génération : 1) Sélection pour la reproduction : on choisit dans la population courante P les λ individus qui deviendront les parents (mating pool P ). 2) Opérateurs de variation : on applique le croisement et la mutation aux individus de P et on obtient une population P de λ enfants. 3) Évaluation : on évalue la performance des éléments de P (enfants). 4) Sélection pour la survie : on choisit parmi éléments de P (population courante) et de P (enfants) les µ individus qui constitueront la population P de la génération suivante. INF6953 Les algorithmes évolutionnistes (1) 6
7 Plusieurs types d algorithmes évolutionnistes Le schéma d algorithme évolutionnistes peut s «instancier» de différentes manières. Des cas particuliers sont : - L algorithme génétique générationnel - L algorithme génétique stationnaire (steady state) - L algorithme (µ, λ)-es (stratégie d évolution) - L algorithme (µ + λ)-es (stratégie d évolution) - L algorithme EP (programmation évolutionnaire) INF6953 Les algorithmes évolutionnistes (1) 7
8 Évolution de la diversité La population tend à devenir de plus en plus homogène au cours de la recherche - On parle de diminution de la diversité (ou perte de la diversité). Quand la population est constituée d individus très semblables, la diversité est épuisée. Il est alors généralement inutile de continuer la recherche. - L épuisement de la diversité peut constituer un critère d arrêt de l algorithme. Quand la diversité est épuisée et que l algorithme n a pas obtenu des solutions jugées suffisamment bonnes, on parle de convergence prématurée. INF6953 Les algorithmes évolutionnistes (1) 8
9 La sélection Le rôle de la sélection consiste à favoriser les individus avec la meilleure évaluation, soit pour devenir des parents, soit pour être conservés dans la population. Intensité de la sélection - La sélection peut être plus ou moins intense (biais plus ou moins important accordé au meilleur) - Sélection trop faible : pas de convergence (marche aléatoire) - Sélection trop forte : convergence prématurée INF6953 Les algorithmes évolutionnistes (1) 9
10 Opérateurs de sélection Techniquement, la sélection peut intervertir à deux niveaux : - Lors de la sélection pour la reproduction (étape 1) - Lors du remplacement (étape 4) Sélection pour la reproduction - On peut introduire un biais (ou non) pour favoriser les meilleurs individus afin de devenir des parents (entrer dans P ). Sélection pour la remplacement - On peut introduire un biais (ou non) pour favoriser les meilleurs individus de P (et éventuellement de P) pour survivre (entrer dans la population P de la génération suivante). INF6953 Les algorithmes évolutionnistes (1) 10
11 Sélection et élitisme Un algorithme évolutionniste est dit élitiste s il garantit la survie du meilleur individu de la population d une génération à la suivante. En général, on considère qu il est préférable de ne pas perdre le meilleur individu de la population. Au besoin, on peut prendre des mesures spécifiques pour garantir la survie du ou des meilleurs individus de la population. INF6953 Les algorithmes évolutionnistes (1) 11
12 Tirage à la roulette Lors du tirage d un individu à la roulette (roulette biaisée), un individu S est sélectionné selon une probabilité proportionnelle à S. - La probabilité de choisir l individu S est donc f(s)/σj f(sj) - Si on tire n individus, l espérance de S d être choisi est n.f(s)/σj f(sj) Pression sélective = probabilité de sélection du meilleur / probabilité moyenne - Pression sélective trop forte : le meilleur prend le dessus trop rapidement - Pression sélective trop faible : pas de sélection (marche aléatoire) Inconvénient de la roulette : on contrôle mal la pression sélective qui peut être élevée ou non, selon les circonstances (variance élevée) - Il est possible que seuls des individus de mauvais qualité soient sélectionnés - Un individu de très bonne qualité peut être sélectionné au détriment des autres INF6953 Les algorithmes évolutionnistes (1) 12
13 Tirage à la roulette : variantes Reste stochastique - Sélection déterministe sur la partie entière Un individu S est sélectionné E ( n.f(s) / Σj f(sj) ) fois - Puis roulette sur le reste - Effet : cela réduit la variance Troncation - Sélection à la roulette parmi les k meilleurs - Effet : cela augmente la pression sélective INF6953 Les algorithmes évolutionnistes (1) 13
14 Tirage à la roulette : mise à l échelle L idée - Transformer f de manière linéaire g = α f + β Technique - Régler α et β pour que la pression sélective égale une valeur fixée (et tronquer les valeurs négatives). INF6953 Les algorithmes évolutionnistes (1) 14
15 La sélection selon le rang (ranking) Ranking - Sélection des individus selon leur rang - Par exemple, g(ième) = n i - Remarque : la valeur exacte de f n est pas prise en compte Remarque - Les techniques de sélection par tournoi (présentées plus loin) sont également des techniques basées sur le rang. INF6953 Les algorithmes évolutionnistes (1) 15
16 Le tournoi Tournoi déterministe binaire - Choix uniforme de 2 individus, puis choix du meilleur de l échantillon Tournoi déterministe - Paramètre : taille k du tournoi (k entier >=2) - Choix uniforme de k individus, puis choix du meilleur de l échantillon - Effet : quand k > 2, pression sélective plus forte que le tournoi binaire Tournoi binaire stochastique - Paramètre : taux t compris entre 0.5 et 1 - Choix de deux individus, puis choix du meilleur avec une probabilité t - Effet : quand t < 1, pression sélective plus faible que le tournoi binaire déterm. INF6953 Les algorithmes évolutionnistes (1) 16
17 Algorithme génétique générationnel Un cas particulier d algorithme évolutionniste est l algorithme génétique générationnel. Dans l AG générationnel - la sélection pour la reproduction (étape 1) s effectue par échantillonnage stochastique (roulette biaisée ou tournoi). - Lors d une génération, on produit µ enfants (λ=µ). - Les µ enfants constituent la nouvelle population (étape 4). INF6953 Les algorithmes évolutionnistes (1) 17
18 AG générationnel // Construction de la population initiale P := {} Pour i = 1 à n faire // population de taille n - Construire aléatoirement un individu S - Ajouter S à P Évaluer les individus de la population // Boucle des générations Répéter - <effectuer une génération pour produire une nouvelle population P> Jusqu à <critère de fin> Renvoyer le meilleur individu trouvé INF6953 Les algorithmes évolutionnistes (1) 18
19 AG générationnel : une génération // Étape 1 : Choix des parents : ensemble P (mating pool) - P :={} - Répéter n fois - Sélectionner S dans P (par roulette ou tournoi) - Ajouter S à P INF6953 Les algorithmes évolutionnistes (1) 19
20 AG générationnel : une génération // Étape 2 : production des enfants (P ) - P :={} - Répéter n/2 fois - Choisir aléatoirement P1 et P2 dans P et retirer P1 et P2 de P - Selon une probabilité p, - croiser S1 et S2 pour obtenir O1 et O2 - Sinon O1:= P1 et O2 :=P2 - Muter O1 et O2 - Ajouter O1 et O2 à P INF6953 Les algorithmes évolutionnistes (1) 20
21 AG générationnel : une génération // Étape 3 : évaluation des enfants - Pour tout individu S de P faire - Évaluer S // Étape 4 : remplacement - P:=P INF6953 Les algorithmes évolutionnistes (1) 21
22 AG générationnel Paramètres - n = taille de la population - pc : probabilité de croisement d un individu - pm : paramètre de la mutation (probabilité de modifier un gène) - + Paramètres pour la sélection (tournoi ou roulette) Remarque - La sélection intervient à l étape 2 (choix des parents). - L étape 4 (P := P ) ne joue pas de rôle de sélection. INF6953 Les algorithmes évolutionnistes (1) 22
23 Les stratégies d évolution (ES) Les algorithmes ES (evolution strategies) se caractérisent par - Étape 2 : Sélection uniforme - µ parents donnent λ enfants - Remplacement : (µ, λ)-es ou (µ + λ)-es Remplacement - (µ, λ)-es : prochains parents = µ meilleurs parmi les λ enfants - (µ + λ)-es : prochains parents = µ meilleurs parmi les µ parents + λ enfants Remarque - L étape 2 ne joue pas de rôle de sélection - L étape 4 (remplacement) joue le rôle de sélection (de manière déterministe) INF6953 Les algorithmes évolutionnistes (1) 23
24 AG stationnaire (steady state) L AG stationnaire se caractérise par le fait que, à chaque génération, on ne choisit que deux parents et on ne produit qu un enfant Par exemple - Sélectionner les deux parents par tournoi de taille k - Remplacer un parent par l enfant INF6953 Les algorithmes évolutionnistes (1) 24
25 L algorithme EP L algorithme EP = Evolutionary Programming - Sélection uniforme - Chaque parent produit 1 enfant (par mutation seulement, pas de croisement) - Remplacement : Sélection de n individus (parmi les n parents + n enfants) par tournoi EP (de taille k) Tournoi EP pour le remplacement (étape 4) - Pour chaque individu S de P union P, faire - Choix uniforme de k-1 individus dans P union P - Score de S := le nombre d individus battus - Choisir les µ individus de meilleurs scores pour constituer P INF6953 Les algorithmes évolutionnistes (1) 25
Une application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
Plus en détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailDifférentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations
LABORATOIRE D INFORMATIQUE DE L UNIVERSITE DE FRANCHE-COMTE EA 4269 Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations Mais HAJ-RACHID, Christelle BLOCH, Wahiba
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailIntroduction à la programmation orientée objet, illustrée par le langage C++ Patrick Cégielski cegielski@u-pec.fr
Introduction à la programmation orientée objet, illustrée par le langage C++ Patrick Cégielski cegielski@u-pec.fr Mars 2002 Pour Irène et Marie Legal Notice Copyright c 2002 Patrick Cégielski Université
Plus en détailPEUT- ON SE PASSER DE LA NOTION DE FINALITÉ?
PEUT- ON SE PASSER DE LA NOTION DE FINALITÉ? à propos de : D Aristote à Darwin et retour. Essai sur quelques constantes de la biophilosophie. par Étienne GILSON Vrin (Essais d art et de philosophie), 1971.
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailPrésentation des algorithmes génétiques et de leurs applications en économie
Présentation des algorithmes génétiques et de leurs applications en économie Thomas Vallée et Murat Yıldızoğlu LEN-C3E Université de Nantes, LEA-CIL Chemin de la Censive du Tertre F-44312 NANTES Thomas.Vallee@sc-eco.univ-nantes.fr
Plus en détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailFeuille TD n 1 Exercices d algorithmique éléments de correction
Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailUniversité du Québec à Chicoutimi. Département d informatique et de mathématique. Plan de cours. Titre : Élément de programmation.
Université du Québec à Chicoutimi Département d informatique et de mathématique Plan de cours Titre : Élément de programmation Sigle : 8inf 119 Session : Automne 2001 Professeur : Patrice Guérin Local
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailModèles et simulations informatiques des problèmes de coopération entre agents
Modèles et simulations informatiques des problèmes de coopération entre agents Bruno Beaufils LIFL Axe CIM Équipe SMAC Laboratoire d'informatique Plan 1. Motivations 2. Dilemme itéré du prisonnier 3. Simulations
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailFig.1. Structure d un AGQ
Evolution d Automate Cellulaire par Algorithme Génétique Quantique Zakaria Laboudi 1 - Salim Chikhi 2 Equipe SCAL, Laboratoire MISC Université Mentouri de Constantine. E - Mail : 1 laboudizak@yahoo.fr;
Plus en détailFusion et consolidation RFC - Réflexion -comptabilité - Décembre 2010-438 p. 44-48
Fusion et consolidation RFC - Réflexion -comptabilité - Décembre 2010-438 p. 44-48 Résumé de l article Les regroupements d entreprises peuvent se traduire en comptabilité par une fusion régie par le règlement
Plus en détailVersion «employeur» - exemplaire destiné à AG Insurance
e-benefits : convention d utilisation des services en ligne Version «employeur» - exemplaire destiné à AG Insurance 0079-8037331F-07112014 AG Insurance sa Bd. E. Jacqmain 53, B-1000 Bruxelles RPM Bruxelles
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détail1.6- Génération de nombres aléatoires
1.6- Génération de nombres aléatoires 1- Le générateur aléatoire disponible en C++ 2 Création d'un générateur aléatoire uniforme sur un intervalle 3- Génération de valeurs aléatoires selon une loi normale
Plus en détailnote D2DPE n 38 Dynamique des qualifications et mobilité intergénérationnelle dans la région Nord Pas de Calais
note D2DPE n 38 Dynamique des qualifications et mobilité intergénérationnelle dans la région Nord Pas de Calais RESUME Cette note résume les travaux de Nicolas Fleury, Docteur en Sciences Economiques
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailAu-delà du coalescent : quels modèles pour expliquer la di
Au-delà du coalescent : quels modèles pour expliquer la diversité génétique? LPMA, Université Paris 6, CMAP Polytechnique 13 octobre 2009 A partir de travaux conjoints avec N. Berestycki, V. Limic, J.
Plus en détailSolutions du chapitre 4
Solutions du chapitre 4 Structures de contrôle: première partie 4.9 Identifiez et corrigez les erreurs (il peut y en avoir plus d une par segment de code) de chacune des proposition suivantes: a) if (
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailStatuts de l association i-net innovation networks switzerland
Statuts de l association i-net innovation networks switzerland 1. Nom et siège «i-net innovation networks switzerland» est une association régie par les présents statuts et subsidiairement par les articles
Plus en détailI. Une nouvelle loi anti-discrimination
Extrait du Bulletin de Liaison Le Défi n 17, LHFB, Juillet 2004 Discriminations et assurances ; les apports de la Loi du 25 février 2003 et le rôle du Centre pour l'égalité des chances et la lutte contre
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailGènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailCEM: les comptes d épargne médicale
CEM: les comptes d épargne médicale 1. Situation Le financement du système suisse de santé est à l évidence en passe de devenir un des sujets les plus discutés au cours du siècle. Comme dans la plupart
Plus en détailLES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage
LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C
Plus en détailAlgorithme. Table des matières
1 Algorithme Table des matières 1 Codage 2 1.1 Système binaire.............................. 2 1.2 La numérotation de position en base décimale............ 2 1.3 La numérotation de position en base binaire..............
Plus en détailLa structure de la base de données et l utilisation de PAST. Musée Royal de l Afrique Centrale (MRAC Tervuren)
La structure de la base de données et l utilisation de PAST La structure de la base de données données originales SPÉCIMENS Code des spécimens: Identification des spécimens individuels. Dépend du but de
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailCREATION D UNE EVALUATION AVEC JADE par Patrick RUER (www.mathenvideo.comuv.com)
TABLE DES MATIERES I) Le logiciel JADE 2 II) Etablissements 3 1) Configuation de l établissement 3 2) Importation des classes avec SCONET 4 3) Les groupes d élèves 6 4) Les variables supplémentaires 6
Plus en détailBases de programmation. Cours 5. Structurer les données
Bases de programmation. Cours 5. Structurer les données Pierre Boudes 1 er décembre 2014 This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike 3.0 License. Types char et
Plus en détailArt. 18 Championnat de Belgique par équipes Messieurs, Dames et Vétérans
Fédération de Squash belge asbl Vorselaarsebaan 64 2200 Herentals Tel. +32 (0)14 85 96 00 tine@vsf.be www.belgiansquash.be BTW BE 0414.528.807 Banque : BE16 3101 1516 6974 Art. 18 Championnat de Belgique
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailApproche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique
Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole
Plus en détailMaster Poly Trader. Manuel d utilisateur. Group IV Benoît Perroud Marius Erni Lionel Matthey David Wenger Lotfi Hussami
Master Poly Trader Manuel d utilisateur Group IV Benoît Perroud Marius Erni Lionel Matthey David Wenger Lotfi Hussami MasterPoly Trader est un logiciel réalisé dans le cadre d un projet de génie logiciel.
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailRétablissement d un réseau cellulaire après un désastre
Rétablissement d un réseau cellulaire après un désastre Anaïs Vergne avec Laurent Decreusefond, Ian Flint, et Philippe Martins Journées MAS 2014 29 août 2014 Rétablissement d un réseau cellulaire après
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailGeniMiner, un moteur de recherche génétique
GeniMiner, un moteur de recherche génétique Fabien Picarougne Nicolas Monmarché Antoine Oliver Gilles Venturini Laboratoire d Informatique de l Université de Tours, École Polytechnique de l Université
Plus en détailB. L ENGAGEMENT DE PRISE EN CHARGE COMME PREUVE DE MOYENS DE SUBSISTANCE SUFFISANTS (Annexe 3bis)
L ENGAGEMENT DE PRISE EN CHARGE INFORMATION AUX GARANTS (Article 3 bis de la loi du 15 décembre 1980 sur l accès au territoire, le séjour, l établissement et l éloignement des étrangers) Cette information
Plus en détailL analyse boursière avec Scilab
L analyse boursière avec Scilab Introduction La Bourse est le marché sur lequel se traitent les valeurs mobilières. Afin de protéger leurs investissements et optimiser leurs résultats, les investisseurs
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailChapitre III Le phénotype immunitaire au cours de la vie
Chapitre III Le phénotype immunitaire au cours de la vie Le phénotype immunitaire d un individu caractérise sa capacité à répondre, grâce aux effecteurs de l immunité adaptative, aux différents agents
Plus en détailProbabilités conditionnelles
Probabilités conditionnelles Exercice Dans une usine, on utilise conjointement deux machines M et M 2 pour fabriquer des pièces cylindriques en série. Pour une période donnée, leurs probabilités de tomber
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailAlgorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication. Philippe Robert INRIA Paris-Rocquencourt
Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication Philippe Robert INRIA Paris-Rocquencourt Le 2 juin 2010 Présentation Directeur de recherche à l INRIA Institut
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détailTHÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie. par. Walid TFAILI. pour obtenir le grade de
THÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie par Walid TFAILI pour obtenir le grade de DOCTEUR EN SCIENCES Spécialité : SCIENCES DE L INGÉNIEUR Option : Optimisation
Plus en détailPar combien de zéros se termine N!?
La recherche à l'école page 79 Par combien de zéros se termine N!? par d es co llèg es An dré Do ucet de Nanterre et Victor Hugo de Noisy le Grand en seignants : Danielle Buteau, Martine Brunstein, Marie-Christine
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
Plus en détailProcédure de divorce, ce qu il faut savoir
Procédure de divorce, ce qu il faut savoir Le divorce est à ce jour le seul moyen permettant d instruire la fin juridique des relations entre deux individus mariés. Ces dernières années, la banalisation
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailSTA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes
STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailRèglement pour l obtention d une bourse de Youth For Understanding (YFU) Suisse
Règlement pour l obtention d une bourse de Youth For Understanding (YFU) Suisse 1 Idée générale Avec son fonds de bourse, Youth For Understanding (YFU) Suisse souhaite donner la possibilité à des jeunes
Plus en détailLES APPAREILS A DEVIATION EN COURANT CONTINU ( LES APPREILS MAGNETOELECTRIQUES)
Chapitre 3 LES APPARELS A DEVATON EN COURANT CONTNU ( LES APPRELS MAGNETOELECTRQUES) - PRNCPE DE FONCTONNEMENT : Le principe de fonctionnement d un appareil magnéto-électrique est basé sur les forces agissant
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
Plus en détailSigner un crédit bancaire et être caution solidaire.
Signer un crédit bancaire et être caution solidaire. 024 Note Ce dossier s adresse aux indépendants, dirigeants de petites et moyennes entreprises, ainsi qu à leurs conseillers. Les termes abordés ont
Plus en détailApplication 1- VBA : Test de comportements d'investissements
Application 1- VBA : Test de comportements d'investissements Notions mobilisées Chapitres 1 à 5 du cours - Exemple de récupération de cours en ligne 1ère approche des objets (feuilles et classeurs). Corps
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détail